买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河南农业大学

摘要：本发明公开了一种基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法，旨在解决不考虑冬小麦晚霜冻害影响，直接进行产量预测的技术问题。本发明设计了基于物联网和遥感反演的冬小麦晚霜冻害监测方法和冬小麦产量预测模型的构建方法，提供了冬小麦产量预测方法。本发明能准确、精确地监测冬小麦晚霜冻害的发生，将极端气候量化，为灾害及时检测及灾后补救提供决策指导和建议，降低极端气候对冬小麦产量的影响，进一步完善产量估测模型，为产量预测提供一种物联网与遥感数据相融合的方法，为河南省冬小麦生产智能决策诊断提供新思路，为农业生产决策提供指导和建议，为小麦生产和市场交易提供数据支撑。

主权项：1.一种基于物联网和遥感反演的冬小麦晚霜冻害监测方法，其特征在于，包括以下步骤：1测量记录或按下式计算某地冬小麦全生育期内的某天内每小时的表见气温Ti： 式中，Tmax表示当天的最高气温，Tmin表示当天的最低气温，T'min表示第二天的最低气温，h0表示该地当天日出时刻，h'0表示该地当天日落时刻；2按下式计算极端低温FDD： 式中，Tcrit表示冬小麦全生育期的最低气温界限值，在拔节期1～5天内Tcrit取值为-1.5℃，6～10天Tcrit取值为-0.5℃，11～15天Tcrit取值为0.5℃，16天以后取值为1.5℃，Ti表示冬小麦全生育期内的某天内每小时的表见气温；3按下式计算晚霜冻害指数F：F＝fΔd+gFDD——式VIII；式中，fΔd是自变量为Δd的分段函数，其中，Δd为拔节期之后的天数；尚未到拔节期的，则Δd＜0，经历过拔节的则Δd＞0；FDD为极端低温，gFDD是自变量为FDD的分段函数；其中，当Δd为1～5时，fΔd取值为1，当Δd为6～10时，fΔd取值为2，当Δd为11～15时，fΔd取值为3，当Δd＞15时，fΔd取值为4；当FDD为[-124,0时，gFDD取值为0，当FDD为-1,-124时，gFDD取值为4，当FDD为-1时，gFDD取值为5，当FDD为-∞,-1时，gFDD取值为9。

全文数据：基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法技术领域本发明涉及农业工程技术领域，具体涉及一种基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法。背景技术冬小麦是我国的主要粮食作物，与我国粮食安全密切相关。而河南省是我国粮食生产核心区之一，冬小麦种植面积占耕地面积的70%以上，河南省冬小麦产量占全国小麦总产量的25%以上，河南省冬小麦的稳产和高产对保障国家粮食安全至关重要。近年来，全球极端气候发生趋于频繁，河南省冬小麦晚霜冻害发生频次有所升高，危害程度有加重的趋势，对冬小麦稳产高产造成重大威胁。例如，2018年4月份在河南、山西、陕西、山东和安徽等地出现了强降温，气温降幅在15℃左右，有些地区气温出现了零下的情况，地面最低气温-4.5℃，草面气温-8.5℃情况。此时小麦生长处于拔节后期至孕穗期，大幅降温会造成麦田的幼穗花粉母细胞减数分裂和花粉粒减少，形成“光杆”和“秃尖”，最终造成穗粒数的降低而减产。2018年河南省个别地区因晚霜冻害的发生冬小麦产量减产达70%以上，灾害严重地块甚至绝收。现有的冬小麦极端天气的监测主要是统计分析法、调查分析法、遥感监测法和农业气象预报法。这些方法在一定程度上解决了冬小麦冻害监测问题，取得了一定的研究成果。然而，这些方法不仅速度慢、工作量大，而且不够准确，无法满足冬小麦晚霜冻害预测的精度及即时性的要求，且遥感模型参数相对单一，预测准确度有一定的局限性。因此，为了提高冬小麦产量的预测精度，亟需研发一种能够及时、准确、精确预测冬小麦晚霜冻害的方法，为农业生产决策提供指导和建议，以期能够推动农业生产的效率，避免不必要的损失。发明内容本发明要解决的技术问题是提供一种基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法，以解决现有方法不考虑冬小麦晚霜冻害影响，直接进行产量预测的技术问题。为解决上述技术问题，本发明采用如下技术方案：设计一种基于物联网和遥感反演的冬小麦晚霜冻害监测方法，包括以下步骤：（1）测量记录或按下式计算全生育期内的某天内每小时的表见气温：——式（IV）；式中，Ti表示全生育期内的某天内每小时的表见气温，Tmax表示当天的最高气温，Tmin表示当天的最低气温，T'min表示第二天的最低气温，h0表示该地当天日出时刻，h'0表示该地当天日落时刻；（2）按下式计算FDD：——式（IX）；式中，FDD为极端低温；Tcrit表示冬小麦全生育期的最低气温界限值，在拔节期1～5天内Tcrit取值为-1.5℃，6～10天Tcrit取值为-0.5℃，11～15天Tcrit取值为0.5℃，16天以后取值为1.5℃，Ti表示每小时的表见气温；（3）按下式计算晚霜冻害指数：——式（VIII）；式中，F为晚霜冻害指数；fΔd是自变量为Δd的分段函数，其中，Δd为拔节期之后的天数；尚未到拔节期的，则Δd0；FDD为极端低温，gFDD是自变量为FDD的分段函数；其中，当Δd为1～5时，fΔd取值为1，当Δd为6～10时，fΔd取值为2，当Δd为11～15时，fΔd取值为3，当Δd＞15时，fΔd取值为4；当FDD为[-124,0时，gFDD取值为0，当FDD为-1,-124时，gFDD取值为4，当FDD为[-1,-124时，gFDD取值为5，当FDD为-∞,-1时，gFDD取值为9。进一步的：按下述方式区分冬小麦晚霜冻害程度：当F计算值为{1,2,3,4}时，冬小麦晚霜冻害程度为轻霜冻；当F计算值为{5,6,7,8,9}时，冬小麦晚霜冻害程度为中霜冻；当F计算值为{10,11,12,13}时，冬小麦晚霜冻害程度为重霜冻。设计一种冬小麦产量预测模型的构建方法，包括以下步骤：（1）针对某一地区获取相应各年份的如下参数或数据：a.获取当地各年份的冬小麦单产数据；b.根据历史记录统计或按下式计算对应年份的全生育期内的某天内的某小时的表见气温：——式（IV）；式中，Ti表示冬小麦生育期内某天内的某小时内的表见气温，Tmax表示当天的最高气温，Tmin表示当天的最低气温，T'min表示第二天的最低气温，h0表示该地当天的日出时刻，h'0表示该地当天的日落时刻；c.按下式计算对应年份的冬小麦全生育期内的生长度日：——式（II）；式中，GDD为小麦生育期内某天的生长度日；Ti表示小麦生育期内某天的某小时内的表见气温，Topt表示冬小麦的最适生长气温，Tbase表示冬小麦的基准生长气温；d.按下式计算对应年份的冬小麦全生育期内的极端度日：——式（III）；式中，EDD为小麦生育期内某天的极端度日；Ti表示小麦生育期内某天的某小时内的表见气温，Topt表示冬小麦的最适生长气温，Tcrit表示冬小麦各个生长时期的最低气温界限值；e.获取当地小麦生育期内的对应的遥感数据，计算得到冬小麦在4月份生长期间的归一化植被指数峰值NDVI：——式（VI）；式中，NDVI为归一化植被指数；XIR为近红外波段的反射值，XR为红光波段的反射值；NDVI是植被生长状态及植被覆盖度的最佳指示因子，对于陆地表面主要覆盖而言，云、水、雪在可见光波段比近红外波段有更高的反射作用，则NDVI值为负值（0），而且随植被的覆盖度增大而增大。几种典型的地面覆盖类型在大尺度NDVI图像上区分鲜明，植被得到有效的突出。根据NDVI这一特性采用自组织数据分析技术，计算冬小麦种植区全生育期内每个像元的NDVI值，再将求得的NDVI值除以像元个数，计算冬小麦4月份抽穗期NDVI的峰值或冬小麦每年当地第14周、第17周、第19周的NDVI平均值；f.按照上述的晚霜冻害指数计算公式计算晚霜冻害指数；（2）将所获得各项参数或数据进行回归拟合，获取β0、βG、βE和βN所对应的值，即得对应的冬小麦产量预测模型：——式（V）；其中，Y为冬小麦单产，SGDD、SEDD分别为生长度日总和和极端度日总和；NDVI为步骤（1）中e计算的冬小麦4月份抽穗期NDVI的峰值；β0为方程的截距；βG、βE分别为SGDD和SEDD对冬小麦产量影响程度的权重系数，βN代表归一化植被指数对冬小麦产量影响程度的权重系数。或，将所获得各项参数或数据进行回归拟合，获取β0、βG、βE、βN、βF所对应的值，即得对应的冬小麦产量预测模型：Y=β0+βGSGDD+βESEDD+βNNDVI+βFF——式（IX）；其中，Y为冬小麦单产；NDVI为步骤（1）中e计算的冬小麦4月份抽穗期NDVI峰值；F为步骤（1）中f计算的晚霜冻害指数；SGDD、SEDD分别为小麦全生育期的生长度日总和和极端度日总和；β0为方程的截距；βG、βE分别为生长度日和极端度日对冬小麦产量影响程度的权重系数，βN、βF分别代表归一化植被指数和晚霜冻害对冬小麦产量影响程度的权重系数。或，将所获得各项参数或数据进行回归拟合，获取β0、βG、βE、βN1、βN2和βN3所对应的值，即得对应的冬小麦产量预测模型：——式（VII）其中，Y为冬小麦单产，SGDD、SEDD分别为生长度日总和和极端度日总和；NDVI1为步骤（1）中e计算的每年第14周NDVI的平均值；NDVI2为步骤（1）中e计算的每年第17周NDVI的平均值；NDVI3为步骤（1）中e计算的每年第19周NDVI的平均值；β0为方程的截距；βG、βE分别为SGDD和SEDD对冬小麦产量影响程度的权重系数，βN1、βN2和βN3代表冬小麦生长各个时期归一化植被指数对冬小麦产量影响程度的权重系数。进一步的：在所述步骤b中，各地的日出或日落时刻由该地所处经纬度结合所在日期按天文历法计算得出。进一步的：在所述步骤c和或d中，以4月10日为界限分两个阶段计算，4月10日及之前基准生长气温为2℃，最适生长气温为16℃；4月10日以后基准生长气温为16℃，最适生长气温为30℃。进一步的：在所述步骤e中，所述遥感数据来源于美国LAADSDAAC网站中的MODIS卫星遥感数据。进一步的：在所述步骤e中，先基于MODIS数据解析NDVI值，再结合河南省东北部冬小麦生长过程中NDVI数值在时间序列上先升高后降低的变化特点，得到该地冬小麦种植区域分布图，最后利用种植区域分布图一步计算得到该地区冬小麦种植区域的全生育期NDVI值。进一步的：在获得冬小麦种植区域分布图的过程中基于如下冬小麦像元识别方法：NDVI8thweek0.2andNDVI12thweekNDVI8thweekandNDVI17thweekNDVI12thweekandNDVI17thweek0.5andNDVI19thweek0.5andNDVI19thweekNDVI21thweekandNDVI23thweek0.2andNDVI12thweekNDVI8thweekandNDVI17thweekNDVI12thweekandNDVI17thweek0.5andNDVI19thweek0.5andNDVI19thweekNDVI21thweekandNDVI23thweek0；gFDD是自变量为FDD的分段函数，其中FDD是极端低温。其中，以极端低温（FDD）来代表超过冬小麦生长所能承受的气温下限阈值的程度，其值越大表明冬小麦在某段时间发生的FDD越严重，FDD可以综合反映冬小麦生长所经历的最低气温和经历低温的时长，更加能够体现出低温对冬小麦的影响。FDD的计算公式如下：——式（IX）；式中，Tcrit表示冬小麦各个生长时期的最低气温界限，在拔节期1～5天内Tcrit取值为-1.5℃，6～10天Tcrit取值为-0.5℃，11～15天Tcrit取值为0.5℃，16天以后取值为1.5℃，Ti表示每小时的气温。fΔd和gFDD分段取值具体如表3所示：表3fΔd的分段取值。其中Δd的取值为整数。gFDD的分段取值具体如表4所示：表4gFDD的分段取值。由晚霜冻害指数F可以确定冬小麦发生晚霜冻害发生的程度，具体如表5所示：表5冬小麦发生晚霜冻害程度表。（2）晚霜冻对冬小麦产量影响的模型构建冬小麦在遭受晚霜冻害之后会对冬小麦的产量造成影响，将冬小麦晚霜冻害作为一个影响因子加入模型中，建立如下模型：Y=β0+βGSGDD+βESEDD+βNNDVI+βFF——式（X）；其中，Y为冬小麦单产，β0为方程的截距；βG、βE分别为生长度日和极端度日对冬小麦产量的影响程度，βN、βF分别代表归一化植被指数和晚霜冻害对冬小麦产量的影响程度。实施例5：商丘小麦产量预测模型验证将商丘市2006-2015年来冻害情况如表6所示：表6商丘市历年来冻害情况。发生的晚霜冻害按照实施例4中的式（VIII）进行量化，没有发生晚霜冻害的年份的晚霜冻害指标取值为0。将商丘市计算得参数代入实施例1、2、4的模型，最终模型如表7所示：表7商丘市冬小麦产量预测模型的对比。将商丘市三种模型进行对比，加入晚霜冻害指标之后的模型拟合优度最好，将晚霜冻害指标加入到冬小麦产量预测模型中可以优化模型。上面结合附图和实施例对本发明作了详细的说明，但是，所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的常见变化范围，在此不再一一详述。

权利要求：1.一种基于物联网和遥感反演的冬小麦晚霜冻害监测方法，其特征在于，包括以下步骤：（1）测量记录或按下式计算某地冬小麦全生育期内的某天内每小时的表见气温Ti：——式（IV）；式中，Tmax表示当天的最高气温，Tmin表示当天的最低气温，T'min表示第二天的最低气温，h0表示该地当天日出时刻，h'0表示该地当天日落时刻；（2）按下式计算极端低温FDD：——式（IX）；式中，Tcrit表示冬小麦全生育期的最低气温界限值，在拔节期1～5天内Tcrit取值为-1.5℃，6～10天Tcrit取值为-0.5℃，11～15天Tcrit取值为0.5℃，16天以后取值为1.5℃，Ti表示冬小麦全生育期内的某天内每小时的表见气温；（3）按下式计算晚霜冻害指数F：——式（VIII）；式中，fΔd是自变量为Δd的分段函数，其中，Δd为拔节期之后的天数；尚未到拔节期的，则Δd0；FDD为极端低温，gFDD是自变量为FDD的分段函数；其中，当Δd为1～5时，fΔd取值为1，当Δd为6～10时，fΔd取值为2，当Δd为11～15时，fΔd取值为3，当Δd＞15时，fΔd取值为4；当FDD为[-124,0时，gFDD取值为0，当FDD为-1,-124时，gFDD取值为4，当FDD为[-1,-124时，gFDD取值为5，当FDD为-∞,-1时，gFDD取值为9。2.依据权利要求1所述的基于物联网和遥感反演的冬小麦晚霜冻害监测方法，其特征在于：按下述方式确定冬小麦晚霜冻害程度：当F计算值为{1,2,3,4}时，冬小麦晚霜冻害程度为轻霜冻；当F计算值为{5,6,7,8,9}时，冬小麦晚霜冻害程度为中霜冻；当F计算值为{10,11,12,13}时，冬小麦晚霜冻害程度为重霜冻。3.一种冬小麦产量预测模型的构建方法，其特征在于，包括以下步骤：（1）针对某一地区获取相应各年份的如下参数或数据：a.获取当地各年份的冬小麦单产数据；b.根据历史记录统计或按下式计算对应年份的冬小麦全生育期内的某天内的某小时的表见气温Ti：——式（IV）；式中，Tmax表示当天的最高气温，Tmin表示当天的最低气温，T'min表示第二天的最低气温，h0表示该地当天的日出时刻，h'0表示该地当天的日落时刻；c.按下式计算对应年份的冬小麦全生育期内的生长度日GDD：——式（II）；式中，Ti表示冬小麦生育期内某天的某小时内的表见气温，Topt表示冬小麦的最适生长气温，Tbase表示冬小麦的基准生长气温；d.按下式计算对应年份的冬小麦全生育期内某天的极端度日EDD：——式（III）；式中，Ti表示小麦生育期内某天的某小时内的表见气温，Topt表示冬小麦的最适生长气温，Tcrit表示冬小麦各个生长时期的最低气温界限值；e.获取当地小麦生育期内的对应的遥感数据，计算得到冬小麦在4月份生长期间的归一化植被指数峰值NDVI：f.按照权利要求1所述的晚霜冻害指数计算公式计算晚霜冻害指数；（2）将所获得历年的所对应的各项参数或数据按下式进行回归拟合，获取β0、βG、βE、βN、βF所对应的值，即得对应的冬小麦产量预测模型：Y=β0+βGSGDD+βESEDD+βNNDVI+βFF——式（X）；其中，Y为冬小麦单产；NDVI为冬小麦4月份的归一化植被指数的峰值；F为晚霜冻害指数；SGDD、SEDD分别为小麦全生育期的生长度日总和、极端度日总和；β0为方程的截距；βG、βE分别为生长度日和极端度日对冬小麦产量影响程度的权重系数，βN、βF分别代表归一化植被指数和晚霜冻害对冬小麦产量影响程度的权重系数。4.依据权利要求3所述的冬小麦产量预测模型的构建方法，其特征在于：在所述步骤b中，各地的日出或日落时刻由该地所处经纬度结合所在日期按天文历法计算得出。5.依据权利要求3所述的冬小麦产量预测模型的构建方法，其特征在于：在所述步骤c和或d中，以4月10日为界限分两个阶段计算，4月10日及之前基准生长气温为2℃，最适生长气温为16℃；4月10日以后基准生长气温为16℃，最适生长气温为30℃。6.依据权利要求3所述的冬小麦产量预测模型的构建方法，其特征在于：在所述步骤e中，所述遥感数据来源于美国LAADSDAAC网站中的MODIS卫星遥感数据。7.依据权利要求6所述的豫东北冬小麦产量预测模型的构建方法，其特征在于：在所述步骤e中，先基于MODIS数据解析NDVI值，再结合河南省东北部冬小麦生长过程中NDVI数值在时间序列上先升高后降低的变化特点，得到该地冬小麦种植区域分布图，最后利用种植区域分布图一步计算得到该地区冬小麦种植区域的全生育期NDVI值。8.依据权利要求7所述的豫东北冬小麦产量预测模型的构建方法，其特征在于：在获得冬小麦种植区域分布图的过程中基于如下冬小麦像元识别方法：NDVI8thweek0.2andNDVI12thweekNDVI8thweekandNDVI17thweekNDVI12thweekandNDVI17thweek0.5andNDVI19thweek0.5andNDVI19thweekNDVI21thweekandNDVI23thweek0.35；其中NDVInthweek为冬小麦生长返青期那一年中第n周的NDVI值，所有河南省所在区域不同时期像元进行规则验证，符合规则要求的则标志为冬小麦种植覆盖像元。9.一种冬小麦产量预测方法，其特征在于，包括如下步骤：（1）计算或统计某一地区待测当年的冬小麦全生育期的SGDD、SEDD、NDVI和F的参数或数据；（2）将各参数或数据代入权利要求3所获得冬小麦产量预测模型，即得该地区当年冬小麦预测产量。10.依据权利要求9所述的冬小麦产量预测方法，其特征在于：在计算SGDD、SEDD时以4月10日为界限分两个阶段计算，4月10日及之前基准生长气温为2℃，最适生长气温为16℃；4月10日以后基准生长气温为16℃，最适生长气温为30℃。

百度查询： 河南农业大学 基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法